广东
近年来，南京农业大学智慧农业团队对大豆籽粒蛋白质含量遥感监测进行了深入研究。研究结果以“Combining the time-series of vegetation index during the optimal window with dynamic canopy physiological features for soybean grain protein prediction”为题，发表在国际顶级遥感期刊《ISPRS Journal of Photogrammetry and Remote Sensing》。
大豆籽粒蛋白质含量（Grain protein content, GPC）是表征大豆品质与营养价值的核心指标之一。及时准确地监测大豆GPC能够指导不同地区品种筛选、田间管理措施调控，有助于保障我国粮食安全。目前，农业生产过程中气候条件、肥水管理与耕作措施引起作物生长的空间异质性以及年际间差异，降低籽粒品质估算模型的精度与普适性。在这方面，现有研究大多依赖于特定生育期获取的结构或形态特征进行GPC估算，未考虑大豆籽粒蛋白质的形成依赖于光合碳同化、氮代谢及能量转化的过程，并且受到气象与环境变化的影响。所得模型在大尺度推广应用方面准确性低、稳定性差。对此，如何充分利用时间序列遥感信息，并且聚焦其中最具信息量的关键阶段，是大豆GPC遥感估算过程中的一个关键问题。
该研究首先利用不同时间驱动因子与Cubic-spline算法重建时间序列曲线。随后，提出滑动窗口迭代算法，同时提取生理参数动态特征作为模型协变量，并且筛选最优植被指数与最佳时间窗口（Optimal time window, OTW）组合，进而构建大豆GPC估算模型。最后，将所得模型升尺度到Sentinel-2卫星绘制区域尺度大豆GPC空间分布图。
结果表明，利用红边叶绿素植被指数（Red edge chlorophyll index, CIrededge）时间序列在不同情景下表现最佳，而累计生长度日可以有效缓解年际和区域之间气候差异的影响。本研究利用不同的植被指数、动态特征、时间驱动因子和机器学习算法，设置三种不同的建模场景（包括完整植被指数时间序列、植被指数最佳时间窗口以及最佳时间窗口结合动态特征），构建了188个GPC模型进行精度的对比（图1），进而筛选精度最高的GPC模型。随后，将所得模型推广应用于遥感影像，绘制我国不同大豆主产区GPC空间分布图，取得较高的精度。
图1. 188个GPC估算模型的误差。（a）利用完整植被指数时间序列构建所得的模型（Model I）。包括不同的机器学习算法、时间驱动因子。（b）分别利用植被指数最佳时间窗口、最佳时间窗口结合动态特征构建所得的模型（Model II和Model III）。每组色条代表用于GPC预测的植被指数与用于反演动态特征的植被指数的组合。性能最佳的组合用红色标签突出显示。
图2. 基于Sentinel-2遥感数据绘制区域尺度大豆GPC的空间分布，包括黑龙江部分地区（a）、安徽省与河南省部分地区（b），并且利用地面实测数据测试GPC空间分布图的精度（c）。
论文链接：
//doi.org/10.1016/j.isprsjprs.2026.05.052
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
